CN111275489A - 一种房地产大数据计算处理方法及其系统 - Google Patents

一种房地产大数据计算处理方法及其系统 Download PDF

Info

Publication number
CN111275489A
CN111275489A CN202010065629.XA CN202010065629A CN111275489A CN 111275489 A CN111275489 A CN 111275489A CN 202010065629 A CN202010065629 A CN 202010065629A CN 111275489 A CN111275489 A CN 111275489A
Authority
CN
China
Prior art keywords
cell
price
average price
house
house average
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010065629.XA
Other languages
English (en)
Inventor
郭伟
董亚琼
田夏晓
付志霞
杜晨琳
李玲慧
郑鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Urban Construction
Original Assignee
Henan University of Urban Construction
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Urban Construction filed Critical Henan University of Urban Construction
Priority to CN202010065629.XA priority Critical patent/CN111275489A/zh
Publication of CN111275489A publication Critical patent/CN111275489A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种房地产大数据计算处理方法及其系统，首先，建立价格模型，对所建立的价格模型进行训练；再次，将各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价；再次，建立交通模型，对所建立的交通模型进行训练；其后，将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价；最后，将第一房屋均价和第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。本发明根据房屋所在地附近的公交的线路数量和每一个线路公交所配备的车辆的数量确定交通的发达情况估算房屋均价，最终得到房屋的估算价格。

Description

一种房地产大数据计算处理方法及其系统
技术领域
本发明涉及数据处理技术领域，特别涉及一种房地产大数据计算处理方法及其系统。
背景技术
房地产作为一种客观存在的物质形态，是指房产和地产的总称，包括土地和土地上永久建筑物及其所衍生的权利。房产是指建筑在土地上的各种房屋，包括住宅商铺、厂房、仓库以及办公用房等。地产是指土地及其上下一定的空间，包括地下的各种基础设施、地面道路等。
在房地产中，人们最关注的就是房地产的价格，在房地产的价格取向中，有多种情况可以决定房地产的价格走动，例如，房屋附近的交通，在交通越发达的地方，房屋均价就会越高，因此，根据交通的情况对房屋均价进行评估已经是一项热门的课题。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种房地产大数据计算处理方法及其系统，先根据各地的房屋均价对所在地的房屋均价进行预估，再根据房屋所在地附近的公交的线路数量和每一个线路公交所配备的车辆的数量确定交通的发达情况估算房屋均价，最终得到房屋的估算价格。
为此，本发明提供一种房地产大数据计算处理方法，包括如下步骤：
S1：分别获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价。获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价。
S2：建立价格模型，并根据各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练。
S3：将各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价。
S4：获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价。获取待估价小区的公共汽车的交通参数。
S5：建立交通模型，并根据各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练。
S6：将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
S7：将第一房屋均价和第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
进一步，所述交通参数包括分别在对应小区的周围设定距离内的各个公交车站中所包含的线路数值。
更进一步，所述线路数值包括各个线路所占的权重之和，权重为对应的线路所对应的车辆的数量。
相对于上述提出的一种房地产大数据计算处理方法，对应的，本发明还提供了一种房地产大数据计算处理系统，包括：
房屋均价获取模块，用于获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价。还用于获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价。
价格模型建立模块，用于建立价格模型，并根据房屋均价获取模块中得到的各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练。
第一价格输出模块，用于将房屋均价获取模块中得到的各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价。
交通参数获取模块，获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价。还用于获取待估价小区的公共汽车的交通参数。
交通模型建立模块，用于建立交通模型，并根据交通参数获取模块得到的各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练。
第二价格输出模块，用于将交通参数获取模块得到的待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
价格输出模块，用于将第一价格输出模块得到的第一房屋均价和第二价格输出模块得到的第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
本发明提供的一种房地产大数据计算处理方法及其系统，具有如下有益效果：
先根据各地的房屋均价对所在地的房屋均价进行预估，再根据房屋所在地附近的公交的线路数量和每一个线路公交所配备的车辆的数量确定交通的发达情况估算房屋均价，最终得到房屋的估算价格。
附图说明
图1为本发明提供的一种房地产大数据计算处理方法的整体流程示意框图。
图2为本发明提供的一种房地产大数据计算处理系统的整体连接示意框图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
在本申请文件中，未经明确的部件型号以及结构，均为本领域技术人员所公知的现有技术，本领域技术人员均可根据实际情况的需要进行设定，在本申请文件的实施例中不做具体的限定。
本实施例提供了一种房地产大数据计算处理方法，包括如下步骤：
S1：分别获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价。获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价。
上述设定区域可以为一个行政区，上述的过去的一段时间可以为过去一年的时间，上述的过去一段时间内的各个时间节点可以为一年中每一个周的周一，上述的步骤就是得到一个行政区内各个小区分别在过去一年的时间中每一周的周一的房屋均价，同时得到待估价的小区在过去一年的时间中每一周的周一的房屋均价。
对于获取的方式可以分别在设定的时间节点通过网络爬虫在房屋网站上进行获取，即每一周的周一，都会通过网络爬虫在房屋网站上获取该区域内的各个小区的房屋均价，房屋网站可以为安居客等购房网站，也可以为房管局的官网。还可以有对于其他的获取方式，例如也可以通过人员在每一周的周一的是时候对该区域的各个小区的房屋均价进行录入。
S2：建立价格模型，并根据各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练。
上述的价格模型采用线性回归模型，本实施例不限于线性回归模型，还可以采用支持向量回归模型、LSTM模型等，将上述的行政区内各个小区分别在过去一年的时间中每一周的周一的房屋均价和待估价的小区在过去一年的时间中每一周的周一的房屋均价代入进行训练，这样就得到一个训练好的价格模型。
S3：将各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价。
由于已经训练好了价格模型，就可以对价格模型进行使用，得到预测的第一房屋均价，具体的，就是将各个小区当前时刻的房屋均价输入训练好的价格模型中，就可以通过训练好的价格模型得到第一房屋均价。
S4：获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价；获取待估价小区的公共汽车的交通参数。
上述的交通参数为公共汽车的线路数量和各个线路的公共汽车所配备的车辆的数量，通过公共汽车的线路数量和各个线路的公共汽车所配备的车辆的数量得到交通的参数，这里给出现有的交通参数的公式，即，
Figure BDA0002375885260000061
其中，i为公共汽车的线路数量的总数，
从而获取同一时间的设定区域内各个小区的公共汽车的交通参数和各个小区的房屋均价；同时获取同一时间的待估价小区的公共汽车的交通参数，该区域与上述的区域一致，为同一个行政区。
对于获取的方式，可以使用网络爬虫技术在电子地图的软件中进行获取，也可以使用人员统计的方式进行获取。
S5：建立交通模型，并根据各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练。
上述的交通模型仍然采用线性回归模型，并对其进行训练，上述的交通模型不限于采用线性回归模型，还可以采用支持向量回归模型、LSTM模型等，将上述的行政区内各个小区的公共汽车的交通参数和各个小区的房屋均价和公共汽车的交通参数和各个小区的房屋均价代入进行训练，这样就得到一个训练好的交通模型。
S6：将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
由于已经训练好了交通模型，就可以对交通模型进行使用，得到预测的第二房屋均价。具体的，就是将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
S7：将第一房屋均价和第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
上述步骤是将第一房屋均价和第二房屋均价做均值化处理，可以根据第一房屋均价和第二房屋均价分别的设定的系数得到房屋均价，对于设定的系数，本发明对于第一房屋均价和第二房屋均价的系数均使用50％，这样就可以通过房价的多个影响因素，对房价做出预估。
进一步的，所述交通参数包括分别在对应小区的周围设定距离内的各个公交车站中所包含的线路数值。
上述技术特征可以理解为：将小区看做地图上的一个点，则可以找到小区方圆设定范围的公交站，得到设定范围小区方圆设定范围的公交站的公交线路的条数。在本发明中，以小区为中心的方圆500米以内的公交，统计该范围的公交站上的公交线路的条数，该范围内可能会涉及多个公交站，对该多个公交站的每一个公交站的公交线路的条数进行累加就可以得到该范围内公交线路的条数。
更进一步的，所述线路数值包括各个线路所占的权重之和，权重为对应的线路所对应的车辆的数量。
相对于上述提出的一种房地产大数据计算处理方法，对应的，本发明还提供了一种房地产大数据计算处理系统，包括：
房屋均价获取模块，用于获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价。还用于获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价。
该模块相对于上述的步骤S1，所描述的设定区域可以为一个行政区，所描述的过去的一段时间可以为过去一年的时间，所描述的过去一段时间内的各个时间节点可以为一年中每一个周的周一，因此，该模块就是得到一个行政区内各个小区分别在过去一年的时间中每一周的周一的房屋均价，同时得到待估价的小区在过去一年的时间中每一周的周一的房屋均价。
价格模型建立模块，用于建立价格模型，并根据房屋均价获取模块中得到的各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练。
该模块相对于上述的步骤S2，所描述的价格模型采用线性回归模型，本实施例不限于线性回归模型，还可以采用支持向量回归模型、LSTM模型等，将上述的行政区内各个小区分别在过去一年的时间中每一周的周一的房屋均价和待估价的小区在过去一年的时间中每一周的周一的房屋均价代入进行训练，这样就得到一个训练好的价格模型。
第一价格输出模块，用于将房屋均价获取模块中得到的各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价。
该模块相对于上述的步骤S3，由于已经训练好了价格模型，就可以对价格模型进行使用，得到预测的第一房屋均价，具体的，就是将各个小区当前时刻的房屋均价输入训练好的价格模型中，就可以通过训练好的价格模型得到第一房屋均价。
交通参数获取模块，获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价。还用于获取待估价小区的公共汽车的交通参数。
该模块相对于上述的步骤S4，所描述的交通参数为公共汽车的线路数量和各个线路的公共汽车所配备的车辆的数量，通过公共汽车的线路数量和各个线路的公共汽车所配备的车辆的数量得到交通的参数，这里给出现有的交通参数的公式，即，
Figure BDA0002375885260000091
其中，i为公共汽车的线路数量的总数，
因此，获取同一时间的设定区域内各个小区的公共汽车的交通参数和各个小区的房屋均价。获取同一时间的待估价小区的公共汽车的交通参数，该区域与上述的区域一致，为同一个行政区。
交通模型建立模块，用于建立交通模型，并根据交通参数获取模块得到的各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练。
该模块相对于上述的步骤S5，所描述的交通模型仍然采用线性回归模型，并对其进行训练，上述的交通模型不限于采用线性回归模型，还可以采用支持向量回归模型、LSTM模型等，将上述的行政区内各个小区的公共汽车的交通参数和各个小区的房屋均价和公共汽车的交通参数和各个小区的房屋均价代入进行训练，这样就得到一个训练好的交通模型。
第二价格输出模块，用于将交通参数获取模块得到的待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
该模块相对于上述的步骤S6，由于已经训练好了交通模型，就可以对交通模型进行使用，得到预测的第二房屋均价，具体的，就是将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。
价格输出模块，用于将第一价格输出模块得到的第一房屋均价和第二价格输出模块得到的第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
该模块相对于上述的步骤S7，将第一房屋均价和第二房屋均价做均值化处理，可以根据第一房屋均价和第二房屋均价分别的设定的系数得到房屋均价，对于设定的系数，本发明对于第一房屋均价和第二房屋均价的系数均使用50％。这样就可以通过房价的多个影响因素，对房价做出预估。
综上所述，本发明公开了一种房地产大数据计算处理方法及其系统，首先，分别获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价。获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价。其次，建立价格模型，并根据各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练。再次，将各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价。接着，获取所述设定区域内各个小区的公共汽车的交通参数和各个小区的房屋均价。获取待估价小区的公共汽车的交通参数。然后，建立交通模型，并根据各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练。其后，将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价。最后，将第一房屋均价和第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。本发明先根据各地的房屋均价对所在地的房屋均价进行预估，再根据房屋所在地附近的公交的线路数量和每一个线路公交所配备的车辆的数量确定交通的发达情况估算房屋均价，最终得到房屋的估算价格。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (4)

1.一种房地产大数据计算处理方法，其特征在于，包括如下步骤：
S1：分别获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价；获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价；
S2：建立价格模型，并根据各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练；
S3：将各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价；
S4：获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价；获取待估价小区的公共汽车的交通参数；
S5：建立交通模型，并根据各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练；
S6：将待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价；
S7：将第一房屋均价和第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
2.如权利要求1所述的一种房地产大数据计算处理方法，其特征在于，所述交通参数包括分别在对应小区的周围设定距离内的各个公交车站中所包含的线路数值。
3.如权利要求2所述的一种房地产大数据计算处理方法，其特征在于，所述线路数值包括各个线路所占的权重之和，权重为对应的线路所对应的车辆的数量。
4.一种房地产大数据计算处理其系统，其特征在于，包括：
房屋均价获取模块，用于获取设定区域的各个小区在过去一段时间内的各个时间节点的房屋均价和各个小区当前时刻的房屋均价；还用于获取设定区域内的待估价小区在过去一段时间内的各个时间节点的房屋均价；
价格模型建立模块，用于建立价格模型，并根据房屋均价获取模块中得到的各个小区在过去一段时间内的各个时间节点的房屋均价和待估价小区在过去一段时间内的各个时间节点的房屋均价对所建立的价格模型进行训练；
第一价格输出模块，用于将房屋均价获取模块中得到的各个小区当前时刻的房屋均价输入训练好的价格模型中，输出得到待估价小区当前时刻的房屋均价作为第一房屋均价；
交通参数获取模块，获取所述设定区域内在同一时间节点中各个小区的公共汽车的交通参数和各个小区的房屋均价；还用于获取待估价小区的公共汽车的交通参数；
交通模型建立模块，用于建立交通模型，并根据交通参数获取模块得到的各个小区的公共汽车的交通参数和各个小区的房屋均价对所建立的交通模型进行训练；
第二价格输出模块，用于将交通参数获取模块得到的待估价小区的公共汽车的交通参数输入训练好的交通模型中，输出得到待估价小区的房屋均价作为第二房屋均价；
价格输出模块，用于将第一价格输出模块得到的第一房屋均价和第二价格输出模块得到的第二房屋均价进行均值化处理，得到取待估价小区的房屋均价。
CN202010065629.XA 2020-01-20 2020-01-20 一种房地产大数据计算处理方法及其系统 Pending CN111275489A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010065629.XA CN111275489A (zh) 2020-01-20 2020-01-20 一种房地产大数据计算处理方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010065629.XA CN111275489A (zh) 2020-01-20 2020-01-20 一种房地产大数据计算处理方法及其系统

Publications (1)

Publication Number Publication Date
CN111275489A true CN111275489A (zh) 2020-06-12

Family

ID=71001134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010065629.XA Pending CN111275489A (zh) 2020-01-20 2020-01-20 一种房地产大数据计算处理方法及其系统

Country Status (1)

Country Link
CN (1) CN111275489A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485549A (zh) * 2016-09-30 2017-03-08 深圳市华傲数据技术有限公司 房产信息的处理及展示方法、系统
CN107705145A (zh) * 2017-09-01 2018-02-16 深圳市云房网络科技有限公司 一种房价评估系统
CN108038713A (zh) * 2017-11-22 2018-05-15 链家网（北京）科技有限公司 房价预估方法及装置
CN108647987A (zh) * 2018-04-03 2018-10-12 云南网星大数据科技股份有限公司 房屋资产估价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485549A (zh) * 2016-09-30 2017-03-08 深圳市华傲数据技术有限公司 房产信息的处理及展示方法、系统
CN107705145A (zh) * 2017-09-01 2018-02-16 深圳市云房网络科技有限公司 一种房价评估系统
CN108038713A (zh) * 2017-11-22 2018-05-15 链家网（北京）科技有限公司 房价预估方法及装置
CN108647987A (zh) * 2018-04-03 2018-10-12 云南网星大数据科技股份有限公司 房屋资产估价方法

Similar Documents

Publication Publication Date Title
Hoshino et al. Measuring the benefits of neighbourhood park amenities: Application and comparison of spatial hedonic approaches
Guo et al. Impacts of property accessibility and neighborhood built environment on single-unit and multiunit residential property values
CN107289925A (zh) 一种绘制用户轨迹的方法和装置
CN110602438A (zh) 一种基于路网的视频监控布局优化方法及装置
CN103093098A (zh) 一种卫星光学传感器动态观测能力的定量评价方法
CN111695225A (zh) 一种公交复合复杂网络模型及其公交调度优化方法
Sharma Monitoring of Drainage System in Urban Using Device Free Localization Neural Networks and Cloud computing
CN110738404A (zh) 改良的生态系统生态服务价值评价方法
CN101739822A (zh) 区域交通状态获取的传感器网络配置方法
CN110232198A (zh) 一种污染浓度的计算方法、计算装置及终端
CN112669596A (zh) 一种基于大数据的交通安全态势判别系统及方法
CN104239951B (zh) 一种利用信道状态信息的非绑定人数计数方法
EP3106901B1 (de) Umweltmessungen mittels geographisch verteilter, mobiler sensoren
CN106781310A (zh) 信息处理方法、信息处理装置及电子设备
CN111275489A (zh) 一种房地产大数据计算处理方法及其系统
TWI693575B (zh) 房屋自動估價方法與系統
CN106652440B (zh) 一种车辆的频繁活动区域的确定方法及装置
CN110310476B (zh) 道路拥堵程度的评估方法、装置、计算机设备及存储介质
Zhang et al. The CA model based on data assimilation
CN113723859B (zh) 一种多层城市群综合客运网络稳定性评价方法
CN106357461A (zh) 一种空中交通显示复杂性的测度方法
CN109255433A (zh) 一种基于相似性的社区检测的方法
CN103166317B (zh) 一种含der配电通信方式的可靠性检测方法和装置
CN115759994A (zh) 洪涝灾害应急救援管理方法、装置、设备及存储介质
Elsinga et al. Inter-system time lag due to clouds in an urban PV ensemble

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination